Há algum tempo publiquei um artigo sobre Otimização de Preços, com conceitos iniciais sobre determinação de curvas de demanda, elasticidade e pontos ótimos de preço. Quem tiver interesse pode acessar o artigo por este link.
Desde a publicação deste conteúdo, a DOC Consulting teve a oportunidade de conduzir diversos projetos de Price Positioning, nos quais suportamos algumas empresas de bens de consumo na revisão do posicionamento de preços de todo o portfolio de produtos.
Um projeto de Price Positioning tipicamente tem uma abordagem híbrida, combinando estudos analíticos e análises qualitativas.
No lado analítico, trabalhamos com o histórico de dados das empresas para identificar curvas de demanda que explicam o passado e, através de algoritmos de otimização, buscamos entender quais patamares de preço otimizam o lucro absoluto da empresa. Em alguns casos, a análise busca preços relativos (index vs concorrência). Em outros casos, ao invés de lucro, a empresa busca otimizar faturamento líquido ou market share.
No lado qualitativo, é necessário traçar o Value Map dos segmentos em que o portfolio da empresa está posicionado. Também chamado de “Matriz Estratégica de Preços”, este mapeamento permite entender a relação entre Qualidade Percebida e Preço Praticado das principais marcas ou SKUs de segmentos de mercado, e verificar se existem lacunas ou oportunidades.
Gostaria de abordar os principais desafios enfrentados na abordagem analítica destes projetos, ou seja, os desafios de conduzir análises estatísticas que produzam insights, conclusões adequadas e resultados efetivos (ganho de Market Share, melhoria na lucratividade, ROI).
Desafio 1:
Nem sempre os dados contam uma história. Nem sempre é possível identificar curvas de demanda (price response functions) que expliquem o comportamento passado. Mesmo considerando múltiplas possibilidades de curva de demanda (linear, logit, constant-elasticity, etc) , mesmo considerando a normalização dos dados, corrigindo para inflação, sazonalidade, mesmo considerando regressões múltiplas, nem sempre conseguimos identificar uma correlação forte entre os dados e os possíveis modelos de curva de demanda .
Isso acontece por que existem outros elementos (além do preço) influenciando o comportamento e a decisão de compra dos shoppers/ consumidores. Quando esses fatores tem influência relevante na demanda, isto provoca um “ruído”, ou seja, uma “dispersão” nos dados, afastando-os dos modelos de curva de demanda.
Alguns desses elementos podem também ser modelados, como sazonalidade, preço da concorrência, novos entrantes, inflação. Mas nem tudo pode ou deve ser modelado. Aqui entra a combinação de ciência e arte. Temos que saber até que ponto vale a pena acrescentar novas variáveis à modelagem, para não tornar a análise tão complexa que nos afasta do grande objetivo, gerar insights e conclusões.
Neste ponto, muitas vezes, quando o ruído e a dispersão são muito acentuados, a decisão é de não utilizar o caminho analítico para alguns SKUs … e seguir com ferramentas de análise qualitativa.
Desafio 2:
Mesmo quando o exercício analítico converge para uma “price-response function” adequada ao comportamento da demanda (alta correlação, baixa dispersão), surge um novo desafio.
No mundo de bens de consumo, dificilmente os preços são uniformes. Os dados de vendas utilizados para a construção das curvas de demanda, geralmente, são informações médias de mercado. O faturamento total de uma região, de um grupo de lojas, em um período de tempo, dividido pelo número de unidades vendidas naquele recorte.
Teremos, por exemplo, o preço médio semanal da Grande São Paulo. Este preço médio é uma combinação de lojas/ dias em que os preços estavam mais altos, com lojas/ dias em que os preços estavam reduzidos. Nas lojas e nos dias em que houve redução de preço, supostamente houve um aumento de sell-out versus o que estas mesmas lojas teriam realizado de sell-out nos preços regulares. As demais lojas podem inclusive ter sido impactadas por uma redução de sell-out pelo efeito de comparação de preços.
O resultado que estamos analisando é uma média que contempla todos esses efeitos combinados. Por mais que nossas curvas de demanda tenham apresentado alta correlação, precisamos ter em mente esses efeitos.
Tipicamente os institutos de dados não fornecem o detalhe do preço/loja/dia. E mesmo que fornecessem, dificilmente sua empresa teria tempo para analisá-los com esta granularidade. Alguns institutos fornecem painéis estimando qual o percentual do volume promocional versus volume não-promocional, mas sabemos que existem enormes oportunidades nestes painéis. Muitos executivos não se sentem à vontade para tomar decisões com base neles.
Voltando ao desafio: nossa curva de demanda foi construída para o preço médio do mercado. Mas o que as empresas precisam são respostas para os dois patamares de preço: o Preço Regular (quando não existe nenhuma promoção) e depois o Preço Promocional (ou seja, a profundidade promocional). Não se trata apenas de definir um preço mágico que otimiza seus lucros. Trata-se de definir uma estratégia mais ampla, que contempla a frequência, a intensidade e a profundidade promocional.
Os modelos da DOC Consulting evoluíram ao longo dos anos, e atualmente construímos nossos projetos e nossos algoritmos de otimização de preços considerando todos estes elementos.
Desafio 3:
Um outro desafio é a modelagem da equação de lucro. Vamos lembrar que nossas curvas de demanda representam o preço na ponta, o preço ao consumidor. E como já vimos, representam um mix entre preços/ volumes promocionados com preços/ volumes regulares.
A formação deste preço na ponta depende da estratégia de precificação do varejista, que tipicamente considera uma margem-objetivo, que pode ou não ser diferente para promoções. E sabemos também que a construção desta margem pode se dar com investimentos da empresa, que podem ser “off-invoice” ou “on-invoice”. E também sabemos que uma parte dos investimentos da indústria (Trade Spending) não são considerados pelos varejistas na construção de suas margens objetivo.
Para construir a equação do lucro da Industria, precisamos levar todos esses fatores em consideração. O preço na ponta é a variável com a qual construímos a curva de demanda, mas para entender o lucro da indústria precisamos avaliar qual o Preço Líquido de Venda ao Varejo, quais as Margens Líquidas praticadas pelo Varejo (regulares e promocionais).
A maneira como a indústria negocia o pagamento desses investimentos também influencia a equação do lucro, além de regras tributárias que, se não forem consideradas, podem inviabilizar uma operação. Já tivemos casos em que a empresa estava trabalhando com prejuízo cada vez que negociava uma promoção do tipo “50% na segunda unidade”, pela maneira como havia sido negociada a recomposição de margem ao varejista.
É possível que algumas empresas optem por trabalhar com prejuízo controlado em algumas operações, em prol de outros objetivos estratégicos. O que não é aceitável é que a empresa simplesmente não tenha ideia de que está operando no prejuízo. As equipes comerciais tem necessidade urgente de reforçar o conhecimento sobre matemática comercial e formação de preços e margens (mas isso é assunto para outro artigo).
Ao perceber este desafio da equação do lucro, a DOC Consulting construiu modelos e algoritmos que levam em conta todas essas variáveis, permitindo estimar o preço ótimo em diversos cenários, contribuindo inclusive com o desenvolvimento de novas abordagens comerciais e estratégias promocionais alternativas.
Conclusão
Para conduzir a revisão do posicionamento de preços do portfolio de empresa, recomenda-se uma abordagem híbrida, combinando estudos analíticos e análises qualitativas. A abordagem analítica é fundamental, sobretudo com a proliferação de SKUs e com acesso a informações cada vez mais abundantes sobre o histórico de preços ao consumidor. A utilização de modelos de otimização de preços tem desafios importantes, que precisam ser levados em consideração. Neste texto, foram apresentados alguns dos obstáculos que podem dificultar a assertividade das análises:
- Cuidado com os ruídos provocados por outros fatores que influenciam a demanda (além do preço). Em alguns casos esses fatores devem ser modelados.
- Construa um modelo que vá além do “preço regular” ou “preço-target” e que contemple a frequência, a intensidade e a profundidade promocional.
- Para encontrar o ponto ótimo de lucratividade, incorpore o impacto dos investimentos “on-invoice” e “off-invoice” utilizados para a formação dos preços promocionais.
Sintam-se à vontade para sugerir outros desafios, e compartilhar as alternativas que foram utilizadas para superá-los!
Obrigado pela leitura! Se quiser falar mais a respeito deste assunto, entre em contato conosco.
